In [1]:
import plotly.graph_objs as go
import plotly.express as px
import pandas as pd

Introduction¶

Sociale media hebben een groot impact op de wereld achtergelaten, sinds het begin van de 21e eeuw is er een nieuwe manier van leven ontstaan: het digitale leven. Mensen van over de hele wereld kunnen nu in real time delen wat zij doen, en hoe hun leven eruitziet. Wat in eerste instantie een hele handige uitvinding bleek te zijn, brengt echter meerdere perspectieven met zich mee. Al snel bleek namelijk dat je niet per se alle kanten van je leven op sociale media hoeft te zetten. Het werd al snel een trend om voornamelijk de beste kanten te laten zien, en de mindere kanten van je leven privé te houden.

In ons onderzoek gaan we kijken naar de impact van deze sociale media op de mentale gezondheid onder jong volwassenen. De illusies die sociale media met zich meebrengt zouden namelijk een negatief zelfbeeld kunnen veroorzaken bij jong volwassenen. Wij waren benieuwd of er een correlatie te vinden viel tussen de mentale gezondheid en de opkomst van sociale media. Ondanks dat we misschien in eerste instantie een negatief beeld schetsen, zou het echter ook zomaar de andere kant op kunnen gaan.

Sociale media creeërde ook kansen op zowel sociaal- als werkgebied, nog nooit eerder konden jongeren zo snel met elkaar communiceren. Het zorgt voor kansen op zowel het gebied van liefde als vriendschap, en bracht een hele hoop nieuwe banen in de markt. Met behulp van slimme algoritmes kun je als creatieveling je werk aan miljoenen mensen laten zien, en dat helemaal gratis. Jong volwassenen kunnen ook veel gemakkelijker mensen vinden die dezelfde interesses delen, en hierdoor juist dat buitengesloten gevoel tegen gaan.

Kortom gezegd, er zijn meerdere perspectieven die in eerste instantie erg logisch lijken te zijn. Hierom zijn wij benieuwd wat de data te zeggen heeft.

Visualisaties¶

Uitleg: Deze dataset (https://longreads.cbs.nl/jeugdmonitor-2022/welzijn-van-jongvolwassenen/) van het CBS (Centraal Bureau van Statistiek) gaat over het welzijn van jongeren, van 1997 tot 2021 is er onderzoek gedaan naar dit welzijn. Jongeren konden eerlijk aangeven of zij gelukkig of tevreden zijn met hun leven. De leeftijdsgroepen zijn opgesplitst in jongeren tussen 18-25, en mensen die boven de 18 zijn (algemene bevolking). De data is zowel in een lijngrafiek als tabelvorm weergegeven, waarbij je ook mogelijk de conclusie kan trekken dat bepaalde evenementen (bijvoorbeeld coronapandemie) een impact op de data hebben gehad. De variabelen zijn: 'Category', 'Tevredenheid, 18 jaar of ouder', Tevredenheid, 18 tot 25 jaar', 'Geluk, 18 jaar of ouder', 'Geluk, 18 tot 25 jaar'. Category geeft het jaartal aan waarvan de data is opgenomen. De andere variabelen geven het percentage aan van de Nederlandse bevolking en jongvolwassenen dat zich zo voelt. De dataset is te downloaden op de webpagina van het CBS als de link is gevolgd.



**Preprocessing:** Om deze dataset te gebruiken hoefde er niet enorm veel aan de dataset aangepast te worden. Het enige wat wel moest veranderen was dat de getallen er eerst als percentages instonden, waardoor python het niet herkende als een integer, maar als een string. Nadat dit was aangepast naar de getallen die equivalent zijn aan die percentages kon de dataset gebruikt worden voor een lijngrafiek die over tijd laat zien hoe de groepen zich voelen.
In [2]:
gl = pd.read_csv('10-Copy1.1.1-geluk-en-tevredenheid.csv')

gl
Out[2]:
Category Tevredenheid, 18 jaar of ouder Tevredenheid, 18 tot 25 jaar Geluk, 18 jaar of ouder Geluk, 18 tot 25 jaar
0 1997 0.841 0.848 0.882 0.911
1 1998 0.854 0.849 0.890 0.909
2 1999 0.848 0.846 0.884 0.898
3 2000 0.858 0.855 0.891 0.908
4 2001 0.859 0.857 0.893 0.909
5 2002 0.844 0.814 0.880 0.887
6 2003 0.845 0.846 0.878 0.907
7 2004 0.843 0.841 0.878 0.906
8 2005 0.839 0.828 0.874 0.876
9 2006 0.844 0.850 0.888 0.905
10 2007 0.849 0.872 0.882 0.898
11 2008 0.858 0.865 0.887 0.914
12 2009 0.851 0.846 0.890 0.900
13 2010 0.838 0.847 0.877 0.888
14 2011 0.847 0.850 0.881 0.894
15 2012 0.851 0.858 0.890 0.904
16 2013 0.836 0.856 0.875 0.900
17 2014 0.846 0.826 0.879 0.896
18 2015 0.839 0.862 0.874 0.887
19 2016 0.852 0.855 0.883 0.885
20 2017 0.854 0.853 0.875 0.875
21 2018 0.857 0.838 0.877 0.858
22 2019 0.873 0.861 0.889 0.875
23 2020 0.848 0.814 0.868 0.838
24 2021 0.836 0.769 0.864 0.809
In [3]:
trace1 = go.Scatter(x = gl['Category'], 
                    y = gl['Tevredenheid, 18 jaar of ouder'], 
                    mode = 'lines + markers', 
                    name = 'Tevredenheid, 18 jaar of ouder', 
                    marker = dict(color = 'lightblue'))
trace2 = go.Scatter(x = gl['Category'], 
                    y = gl['Tevredenheid, 18 tot 25 jaar'], 
                    mode = 'lines + markers', 
                    name = 'Tevredenheid, 18 tot 25 jaar',
                   marker = dict(color = 'blue'))
trace3 = go.Scatter(x = gl['Category'], 
                    y = gl['Geluk, 18 tot 25 jaar'], 
                    mode = 'lines + markers', 
                    name = 'Geluk, 18 tot 25 jaar',
                   marker = dict(color = 'green'))
trace4 = go.Scatter(x = gl['Category'], 
                    y = gl['Geluk, 18 jaar of ouder'], 
                    mode = 'lines + markers', 
                    name = 'Geluk, 18 jaar of ouder',
                   marker = dict(color = 'lightgreen'))

Layout = go.Layout(title = 'Tevredenheid en geluk',
                  xaxis = dict(title = 'Jaren', gridcolor = 'lightgrey'),
                  yaxis = dict(title = 'Percentage mensen dat zich zo voelt', tickformat = ',.0%', range = [0.7, 1], gridcolor = 'lightgrey'),
                   font = dict(family = 'Georgia', color = 'Black'),
                   plot_bgcolor = 'white',
                   paper_bgcolor = 'white',
    )
                  

fig = go.Figure(data = [trace1, trace2, trace4, trace3], layout = Layout)
fig.update_layout(
    xaxis=dict(
        rangeselector=dict(
            buttons=list([
                dict(count=1,
                     label="1y",
                     step="year",
                     stepmode="backward"),
                dict(count=5,
                     label="5y",
                     step="year",
                     stepmode="backward"),
                dict(step="all")
            ])
        ),
        rangeslider=dict(
            visible=True
        ),
        type="date"
    )
)
    
fig.show()

Uitleg: De dataset (https://www.pewresearch.org/internet/fact-sheet/social-media/?tabId=tab-81867c91-92ad-45b8-a964-a2a894f873ef) van Pewresearch die voor de visualizatie hieronder is gebruikt, laat per een aantal maanden het percentage van de bevolking van de Verenigde Staten zien die verschillende sociale media hebben gebruikt. Dit wordt aangegeven in percentages. De variabelen zijn: 'Year', 'Facebook', Pinterest', 'Instagram', 'LinkDin', 'Twitter', 'Snapchat', 'YouTube', 'WhatsApp', 'Reddit', 'TikTok', 'Nextdoor'. Het variabele 'Year' geeft de datum aan waarvan de data is opgenomen. De andere varibalen geven aan hoeveel procent van de social media gebruikers dat specifieke platform gebruikt. De dataset is te downloaden op de site die via de link is vermeld.



**Preprocessing:** Voordat de dataset gebruikt kon worden moest er enorm veel worden opgeschoond. Er stond namelijk tekst in de csv file waardoor de file in eerste instantie niet gelezen kon worden en de komma's stonden op de verkeerde plek. Ook stonden er enorm veel nrgbs waardes in. Deze moesten aangepast worden naar NaN's zodat deze gebruikt konden worden. Verder moest ook het kolom 'Year' worden aangepast naar een format waardoor ik het naar een daadwerkelijke datum om kon zetten en op die manier makkelijker te gebruiken was voor de x-as.
In [4]:
df = pd.read_csv('test-Copy1.csv')
df[df.columns[1:]] = df[df.columns[1:]].replace('%', '', regex=True).astype(float) / 100
df['Year'] = pd.to_datetime(df['Year'])
df_filtered = df.dropna()
df_filtered = df_filtered.sort_values(by='Year', ascending=False)
df
Out[4]:
Year Facebook Pinterest Instagram LinkedIn Twitter Snapchat YouTube WhatsApp Reddit TikTok Nextdoor
0 2012-08-05 0.54 0.10 0.09 0.16 0.13 NaN NaN NaN NaN NaN NaN
1 2012-08-07 NaN NaN NaN 0.14 NaN NaN NaN NaN NaN NaN NaN
2 2012-12-09 NaN 0.13 0.11 0.13 NaN NaN NaN NaN NaN NaN NaN
3 2012-12-16 0.57 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
4 2013-05-19 NaN NaN NaN 0.15 NaN NaN NaN NaN NaN NaN NaN
5 2013-07-14 NaN NaN NaN 0.16 NaN NaN NaN NaN NaN NaN NaN
6 2013-09-16 0.57 0.17 0.14 0.17 0.14 NaN NaN NaN NaN NaN NaN
7 2013-09-30 NaN NaN NaN 0.16 NaN NaN NaN NaN NaN NaN NaN
8 2014-01-26 NaN NaN NaN 0.16 NaN NaN NaN NaN NaN NaN NaN
9 2014-09-21 0.58 0.22 0.21 0.23 0.19 NaN NaN NaN NaN NaN NaN
10 2015-04-12 0.62 0.26 0.24 0.22 0.20 NaN NaN NaN NaN NaN NaN
11 2016-04-04 0.68 0.26 0.28 0.25 0.21 NaN NaN NaN NaN NaN NaN
12 2018-01-10 0.68 0.29 0.35 0.25 0.24 0.27 0.73 0.22 NaN NaN NaN
13 2019-02-07 0.69 0.28 0.37 0.27 0.22 0.24 0.73 0.20 0.11 NaN NaN
14 2021-02-08 0.69 0.31 0.40 0.28 0.23 0.25 0.81 0.23 0.18 0.21 0.13
In [5]:
trace1 = go.Scatter(x = df['Year'], 
                    y = df['Facebook'], 
                    mode = 'lines + markers', 
                    name = 'Facebook', 
                    marker = dict(color = 'blue'),
                   connectgaps=True)
trace2 = go.Scatter(x = df['Year'], 
                    y = df['Pinterest'], 
                    mode = 'lines + markers', 
                    name = 'Pinterest', 
                    marker = dict(color = '#FF6F6F'),
                   connectgaps=True)
trace3 = go.Scatter(x = df['Year'], 
                    y = df['Instagram'], 
                    mode = 'lines + markers', 
                    name = 'Instagram', 
                    marker = dict(color = 'pink'),
                   connectgaps=True)
trace4 = go.Scatter(x = df['Year'], 
                    y = df['LinkedIn'], 
                    mode = 'lines + markers', 
                    name = 'LinkedIn', 
                    marker = dict(color = 'darkblue'),
                   connectgaps=True)
trace5 = go.Scatter(x = df['Year'], 
                    y = df['Twitter'], 
                    mode = 'lines + markers', 
                    name = 'Twitter', 
                    marker = dict(color = 'lightblue'),
                   connectgaps=True)
trace6 = go.Scatter(x = df['Year'], 
                    y = df['Snapchat'], 
                    mode = 'lines + markers', 
                    name = 'Snapchat', 
                    marker = dict(color = 'yellow'),
                   connectgaps=True)
trace7 = go.Scatter(x = df['Year'], 
                    y = df['YouTube'], 
                    mode = 'lines + markers', 
                    name = 'YouTube', 
                    marker = dict(color = 'red'),
                   connectgaps=True)
trace8 = go.Scatter(x = df['Year'], 
                    y = df['WhatsApp'], 
                    mode = 'lines + markers', 
                    name = 'WhatsApp', 
                    marker = dict(color = 'green'),
                   connectgaps=True)
trace9 = go.Scatter(x = df['Year'], 
                    y = df['Reddit'], 
                    mode = 'lines + markers', 
                    name = 'Reddit', 
                    marker = dict(color = 'orange'),
                   connectgaps=True)
trace10 = go.Scatter(x = df['Year'], 
                    y = df['TikTok'], 
                    mode = 'lines + markers', 
                    name = 'TikTok', 
                    marker = dict(color = 'black'),
                    connectgaps=True)
trace11 = go.Scatter(x = df['Year'], 
                    y = df['Nextdoor'], 
                    mode = 'lines + markers', 
                    name = 'Nextdoor', 
                    marker = dict(color = 'lightgreen'),
                    connectgaps=True)

new_Layout = go.Layout(title = 'Totaal gebruik verschillende sociale media door bevolking Verenigde Staten',
                      xaxis = dict(title = 'Jaartallen', tickmode='linear', dtick = 'M12', gridcolor = 'lightgray'),
                      yaxis = dict(title = 'Percentage gebruik sociale media', tickformat = ',.0%', range = [0, 1], gridcolor = 'lightgray'),
                      font = dict(family = 'Georgia', color = 'Black'),
                      plot_bgcolor = 'white',
                      paper_bgcolor = 'white')
new_fig = go.Figure(data = [trace1, trace2, trace3, trace4, trace5, trace6, trace7, trace8, trace9, trace10, trace11], 
                    layout = new_Layout)
    

new_fig.show()

Uitleg: Deze dataset (https://www.pewresearch.org/internet/fact-sheet/social-media/?tabId=tab-81867c91-92ad-45b8-a964-a2a894f873ef) van Pewresearch geeft weer hoeveel procent van de bevolking van de Verenigde Staten sociale media gebruikt. Dit geven ze aan in verschillende leeftijdsgroepen, namelijk: 18-29, 30-49, 50-64, 65+. De data is om een bepaald aantal maanden/jaren opgenomen en dit wordt in de variabele 'Year' laten zien. De leeftijdsgroepen zijn de andere variabelen en deze laten zien hoeveel van een bepaalde leeftijdsgroep sociale media gebruikt. Dit wordt aangegeven in percentages. De datasets zijn te downloaden op de site die bij dit stuk is vermeld.



**Preprocessing:** Voor deze dataset hoefde alleen de percentage tekens achter de getallen weggehaald worden en dan de percentages equivalent zetten aan hun numerieke waarden. Daarna kon de dataset worden gebruikt.
In [6]:
dc = pd.read_csv('social-Copy1.csv')
dc['Year'] = pd.to_datetime(dc['Year'])
dc
Out[6]:
Year 18-29 30-49 50-64 65+
0 2005-03-21 0.07 0.06 0.04 0.03
1 2005-12-08 0.16 0.09 0.05 0.02
2 2006-08-31 0.41 0.06 0.03 0.00
3 2008-05-11 0.60 0.21 0.07 0.02
4 2008-08-10 0.65 0.27 0.10 0.03
5 2008-08-31 0.68 0.27 0.09 0.02
6 2008-12-04 0.67 0.30 0.12 0.02
7 2008-12-20 0.59 0.28 0.08 0.03
8 2009-04-19 0.70 0.42 0.20 0.05
9 2009-09-14 0.67 0.44 0.21 0.06
10 2009-12-27 0.78 0.47 0.25 0.08
11 2010-01-19 0.76 0.51 0.26 0.07
12 2010-05-30 0.82 0.53 0.37 0.11
13 2010-09-13 0.80 0.52 0.31 0.09
14 2010-11-24 0.74 0.54 0.33 0.11
15 2010-11-28 0.78 0.54 0.33 0.14
16 2010-12-21 0.76 0.55 0.36 0.12
17 2011-05-22 0.79 0.61 0.38 0.14
18 2011-08-26 0.82 0.59 0.36 0.12
19 2012-02-19 0.81 0.64 0.39 0.16
20 2012-08-07 0.88 0.68 0.48 0.22
21 2013-05-19 0.87 0.72 0.50 0.24
22 2013-07-14 0.87 0.72 0.49 0.21
23 2013-09-30 0.89 0.74 0.54 0.27
24 2014-01-26 0.84 0.77 0.52 0.27
25 2015-07-12 0.90 0.77 0.51 0.35
26 2016-11-06 0.86 0.80 0.64 0.34
27 2018-01-10 0.88 0.78 0.64 0.37
28 2019-02-07 0.90 0.82 0.69 0.40
29 2021-02-08 0.84 0.81 0.73 0.45
In [7]:
trace1 = go.Scatter(x = dc['Year'],
                   y = dc['18-29'],
                   name = '18-29',
                   mode = 'lines + markers',
                   marker = dict(color = 'darkblue')
                   )

trace2 = go.Scatter(x = dc['Year'],
                   y = dc['30-49'],
                   name = '30-49',
                   mode = 'lines + markers',
                   marker = dict(color = 'mediumblue')
                   )

trace3 = go.Scatter(x = dc['Year'],
                   y = dc['50-64'],
                   name = '50-64',
                   mode = 'lines + markers',
                   marker = dict(color = 'blue')
                   )

trace4 = go.Scatter(x = dc['Year'],
                   y = dc['65+'],
                   name = '65+',
                   mode = 'lines + markers',
                   marker = dict(color = 'steelblue')
                   )

social_layout = go.Layout(title = 'Sociale media gebruik per leeftijdsgroep in de Verenigde Staten',
                          xaxis = dict(title = 'Jaren', gridcolor = 'lightgray'),
                         yaxis = dict(title = 'Percentage mensen', tickformat = ',.0%', range = [0, 1], gridcolor = 'lightgray'),
                         font = dict(family = 'Georgia', color = 'Black'),
                        plot_bgcolor = 'white',
                       paper_bgcolor = 'white' 
                         )

social_figure = go.Figure(data = [trace1, trace2, trace3, trace4], layout = social_layout)


social_figure.show()

Uitleg: De volgende dataset is een mix van de dataset van Pewresearch die het sociale media gebruik per leeftijdsgroep aangeeft, en de dataset die het geluk en tevredenheid van zowel jongvolwassenen als de hele bevolking weergeeft (https://www.pewresearch.org/internet/fact-sheet/social-media/?tabId=tab-81867c91-92ad-45b8-a964-a2a894f873ef). Van de eerstbenoemde dataset is de volgende data gebruikt: het percentage 18-29 jarigen die sociale media gebruikt over de jaren heen. Van de laatstbenoemde dataset is de volgende data gebruikt: het geluksgevoel van 18-25 jarigen over de jaren heen (https://longreads.cbs.nl/jeugdmonitor-2022/welzijn-van-jongvolwassenen/). De periode van tijd die hiervoor is gebruikt is gedaan vanaf het begin van de laatstbenoemde dataset, omdat er dan ook een zichtbaar verschil te zien is tussen het geluksgevoel van de tijd voor en na sociale media. De variabelen die in deze dataset staan zijn: 'Category', 'Geluk, 18 tot 25 jaar', '18-29'. Het variabele 'Category' geeft het jaar aan waarvan de data is opgenomen. De andere variabelen geven het percentage van de leeftijdsgroepen aan dat zich zo voelt. De datasets zijn te downloaden op de site van de links die aan dit stuk tekst zijn toegevoegd.



**Preprocessing:** Deze dataset is gemaakt in een zelfgemaakte csv file. De data die erin staat komt precies overeen met de data van de twee datasets die hiervoor zijn gebruikt. Het enige wat niet overeen komt is de data van de tweede kolom, omdat er bij die dataset van de jaren 2005 en 2008 t/m 2013 meerdere datapunten waren in die jaren. Om deze reden heb ik van die jaren een gemiddelde genomen en in deze dataset gezet. Verder werkt de dataset naar behoren.
In [8]:
cr = pd.read_csv('correlatie-Copy1.csv')
cr_filtered = cr.dropna()
cr_filtered = cr_filtered.sort_values(by='Category', ascending=False)
cr
Out[8]:
Category Geluk, 18 tot 25 jaar 18-29
0 1997 0.911 NaN
1 1998 0.909 NaN
2 1999 0.898 NaN
3 2000 0.908 NaN
4 2001 0.909 NaN
5 2002 0.887 NaN
6 2003 0.907 NaN
7 2004 0.906 NaN
8 2005 0.876 0.115
9 2006 0.905 0.410
10 2007 0.898 NaN
11 2008 0.914 0.638
12 2009 0.900 0.717
13 2010 0.888 0.777
14 2011 0.894 0.805
15 2012 0.904 0.845
16 2013 0.900 0.877
17 2014 0.896 0.840
18 2015 0.887 0.900
19 2016 0.885 0.860
20 2017 0.875 NaN
21 2018 0.858 0.880
22 2019 0.875 0.900
23 2020 0.838 NaN
24 2021 0.809 0.840
In [9]:
data = [
    go.Bar(x = cr['Category'],
          y = cr['18-29'],
          name = 'Gebruik van sociale media door jongvolwassenen',
          legendgroup = 'Gebruik van sociale media door jongvolwassenen',
          marker = dict(color = '#147db1')
          ),
    go.Bar(x = cr['Category'],
          y = cr['Geluk, 18 tot 25 jaar'],
          name = 'Geluk jongvolwassenen',
          legendgroup = 'Geluk jongvolwassenen',
          marker = dict(color = '#3a4f6d')
          )
]

x_layout = go.Layout(title = 'Geluk vs sociale media gebruik van jongvolwassenen door de jaren heen',
                    xaxis = dict(title = 'Jaren', 
                                gridcolor = 'lightgray'
                                ),
                    yaxis = dict(title = 'Percentage mensen', 
                                 tickformat = ',.0%',
                                range = [0, 1],
                                gridcolor = 'lightgray'),
                    font = dict(family = 'Georgia', 
                                color = 'Black'),
                    plot_bgcolor = 'white',
                    paper_bgcolor = 'white' 
                    )

x_figure = go.Figure(data = data, layout = x_layout)

x_figure.update_layout(
    xaxis=dict(
        rangeselector=dict(
            buttons=list([
                dict(count=1,
                     label="1y",
                     step="year",
                     stepmode="backward"),
                dict(count=5,
                     label="5y",
                     step="year",
                     stepmode="backward"),
                dict(step="all")
            ])
        ),
        rangeslider=dict(
            visible=True
        ),
        type="date"
    )
)
    

x_figure.show()

Uitleg: De volgende dataset (https://opendata.cbs.nl/statline/portal.html?_la=nl&_catalog=CBS&tableId=81487ned&_theme=16) geeft het aantal banen weer van werknemers die tot maximaal 130% van het voor zijn of haar leeftijd geldende wettelijk minimumloon of minder verdienen.

aan Deze werkgelegenheidstabel bevat gegevens over het aantal banen van werknemers, die tot maximaal 130% van het voor zijn of haar leeftijd geldende wettelijk minimumloon of minder verdienen. De gegevens zijn verder uit te splitsen naar diverse kenmerken van de werknemer (geslacht, leeftijd of nationaliteit) en cao-sector (SBI 2008).



**Preprocessing:**
In [10]:
werk = pd.read_csv('plswerk.csv', sep = ';')
werk
Out[10]:
ID KenmerkenWerknemer CaoSector Perioden TotaalBanen_1
0 0 T001006 T001020 2009 7818.7
1 1 T001006 T001020 2010 7859.8
2 2 T001006 T001020 2011 7926.8
3 3 T001006 T001020 2012 7872.1
4 4 T001006 T001020 2013 7745.8
5 5 T001006 T001020 2014 7706.0
6 6 T001006 T001020 2015 7782.5
7 7 T001006 T001020 2016 7892.5
8 8 T001006 T001020 2017 8096.0
9 9 T001006 T001020 2018 8324.2
10 10 T001006 T001020 2019 8500.5
11 11 T001006 T001020 2020 8390.8
12 12 T001006 T001020 2021 8561.0
In [11]:
import plotly.graph_objects as go

start_year = 2014
end_year = 2021
selected_data = werk[(werk['Perioden'] >= start_year) & (werk['Perioden'] <= end_year)]

werkd = go.Scatter(x=selected_data['Perioden'], 
                   y=selected_data['TotaalBanen_1'],
                   marker = dict(color = '#3a4f6d'))

werklayout = go.Layout(
    title='Groei aantal banen Nederland 2014 - 2021',
    xaxis=dict(title='Tijd in jaren', gridcolor='gray'),
    yaxis=dict(title='Aantal banen x1000', gridcolor='gray'),
    paper_bgcolor='white',
    plot_bgcolor='white',
    font=dict(family='Georgia', color='Black')
)

werkfigure = go.Figure(data=werkd, layout=werklayout)
werkfigure.show()
In [12]:
link = pd.read_csv('LinkDin.csv')
link
Out[12]:
Date "Revenue ($bn)"
0 2010 0.24
1 2011 0.52
2 2012 0.97
3 2013 1.52
4 2014 2.21
5 2015 2.98
6 2016 2.97
7 2017 4.50
8 2018 6.02
9 2019 7.13
10 2020 8.37
11 2021 11.56
12 2022 14.59

Age-usage.csv gemiddelde gepakt vanaf 2022 per leeftijd vanwege gebrek aan data

Werkverdeling¶

  • Introductie: Lex
  • Argumenten:
    • Argument 1:
      • Visualisatie:
      • Geschreven:
      • Bedacht:
    • Argument 2:
      • Visualisatie:
      • Geschreven:
      • Bedacht:
    • Argument 3:
      • Visualisatie:
      • Geschreven:
      • Bedacht:
    • Argument 4:
      • Visualisatie:
      • Geschreven:
      • Bedacht:
    • Argument 5:
      • Visualisatie:
      • Geschreven:
      • Bedacht:
    • Argument 6:
      • Visualisatie:
      • Geschreven:
      • Bedacht:
  • Perspectieven: Lex
  • Reflectie: Chen, Lex, Simon
  • Werkverdeling: Simon
In [ ]: